Webbläsaren som du använder stöds inte av denna webbplats. Alla versioner av Internet Explorer stöds inte längre, av oss eller Microsoft (läs mer här: * https://www.microsoft.com/en-us/microsoft-365/windows/end-of-ie-support).

Var god och använd en modern webbläsare för att ta del av denna webbplats, som t.ex. nyaste versioner av Edge, Chrome, Firefox eller Safari osv.

Default user image.

Carsten Peterson

Expert

Default user image.

Self-organizing networks for extracting jet features

Författare

  • Leif Lönnblad
  • Carsten Peterson
  • Hong Pi
  • Thorsteinn Rögnvaldsson

Summary, in English

Self-organizing neural networks are briefly reviewed and compared with supervised learning algorithms like back-propagation. The power of self-organization networks is in their capability of displaying typical features in a transparent manner. This is successfully demonstrated with two applications from hadronic jet physics; hadronization model discrimination and separation of b, c and light quarks.

Avdelning/ar

  • Department of Astronomy and Theoretical Physics

Publiceringsår

1991-12

Språk

Engelska

Sidor

193-209

Publikation/Tidskrift/Serie

Computer Physics Communications

Volym

67

Issue

2

Dokumenttyp

Artikel i tidskrift

Förlag

Elsevier

Ämne

  • Subatomic Physics

Aktiv

Published

ISBN/ISSN/Övrigt

  • ISSN: 0010-4655